人工智能实践：Tensorflow2.0笔记 北京大学MOOC（2-2）

最新推荐文章于 2024-02-12 15:02:52 发布
最新推荐文章于 2024-02-12 15:02:52 发布
阅读量347 收藏 1
点赞数 1
分类专栏： 人工智能实践:Tensorflow笔记 北京大学MOOC 文章标签： 人工智能 tensorflow 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44001283/article/details/101791167
版权

人工智能实践：Tensorflow2.0笔记 北京大学MOOC（2-2）

说明

本文内容整理自中国大学MOOC “北京大学-人工智能实践:Tensorflow笔记” 课程，部分内容可能在原笔记内容上进行了修改，转载请注明出处。
授课老师：曹健
中国大学MOOC 人工智能实践:Tensorflow笔记课程链接
本讲目标：学会神经网络优化过程，使用正则化减少过拟合，使用优化器更新网络参数
本节内容：本节将讨论神经网络优化过程中 “过拟合与欠拟合” 的概念，并简述通过正则化缓解过拟合的方法。

二、缓解“欠拟合”与“过拟合”问题

1. 欠拟合与过拟合

机器学习 过程中模型利用训练集中进行学习，在测试集中对样本进行预测。
模型对训练集数据的误差称为 经验误差，对测试集数据的误差称为 泛化误差。
模型对训练集以外样本的预测能力称为模型的泛化能力。

欠拟合(underfitting) 和 过拟合(overfitting) 是模型泛化能力不高的两种常见原因，都是模型学习能力与数据复杂度不匹配的情况。

欠拟合常常在模型学习能力比较弱，而数据复杂度较高的场景出现，由于模型学习能力不足，不能有效学习数据集的一般规律，导致模型泛化能力较弱。

过拟合常常在模型学习能力过强的场景中出现，由于模型学习能力太强，把训练集中单个样本的特点都能学习到，并将其作为一般规律，同样也导致模型泛化能力较弱。

以下图组形象地表现了欠拟合、正确拟合、过拟合三种情况：机器学习中的欠拟合、正确拟合、过拟合情况示意图

图1 机器学习中的欠拟合、正确拟合、过拟合情况示意图

欠拟合在训练集和测试集上能力都较差，而过拟合则在训练集能较好学习数据的特征，在测试集上预测能力较差。

2. 缓解“欠拟合与过拟合”的思路

欠拟合的解决方法：
· 增加输入特征项：给网络更多维度的输入特征；
· 增加网络参数：扩展网络规模，增加网络深度，提升模型表达力；
· 减少正则化参数

过拟合的解决方法：
· 数据清洗：减少数据集中的噪声，使数据集更纯净；
· 增大训练集：让模型见到更多的数据；
· 采用正则化
· 增大正则化参数

3. 使用正则化缓解过拟合问题

3.1 相关概念

正则化是一种通用、有效地缓解过拟合问题的方法。

正则化在损失函数中引入模型复杂度指标，利用给W加权值 ，弱化了训练数据的噪声（一般不正则化b）。

采用正则化方法后损失函数的形式为： l o s s = l o s s ( y与y_ ) + REGULARIZER ⁡ × l o s s ( w ) loss=loss(\text{y与y\_})+\operatorname{REGULARIZER}\times loss(w) loss=loss(y与y_)+REGULARIZER×loss(w)式中：
    l o s s ( y与y_ ) ~~~loss(\text{y与y\_})    loss(y与y_) 指模型中所有参数的损失函数，如：交叉熵、均方误差等；
    REGULARIZER ⁡ ~~~\operatorname{REGULARIZER}    REGULARIZER 用超参数REGULARIZER给出参数 w w w在总 l o s s loss loss中的比例，即正则化的权重；
    l o s s ( w ) ~~~loss(w)    loss(w) 指需要正则化的参数。

3.2 常用的正则化方法 及 代码实现

3.2.1 L1正则化

定义： l o s s L 1 ( w ) = ∑ i ∣ w i ∣ loss_{L1}(w)=\sum_i|w_i| lossL1​(w)=i∑​∣wi​∣L1正则化的特点：

L1正则化大概率会使很多参数变为零，因此该方法可通过稀疏参数，即减少参数的数量，降低复杂度。

代码实现：

由于在tensorflow新版本中不存在已经实现好的L1正则化函数，故自行实现如下：

loss_regularization = tf.reduce_sum(tf.abs(w1))

举例如下：

# L1正则化
#输入：
	import tensorflow as tf
	tf.random.set_seed(100) #seed: 随机数种子
	REGULARIZER = 0.03	#正则化权重
	loss_regularization_l1 = []
	w1 = tf.Variable(tf.random.normal([2, 1]), dtype=tf.float32)
	print("w1=\n",w1)
	loss_regularization_l1.append(tf.reduce_sum(tf.abs(w1)))
	# 求和
	loss_regularization_l1 = tf.reduce_sum(loss_regularization_l1)
	print("loss_regularization_l1=\n",loss_regularization_l1)
输出：
	w1=
	 <tf.Variable 'Variable:0' shape=(2, 1) dtype=float32, numpy= array([[ 0.16052227],[-1.6597689 ]], dtype=float32)>
	loss_regularization_l1=
	 tf.Tensor(1.8202912, shape=(), dtype=float32)
3.2.2 L2正则化

定义： l o s s L 2 ( w ) = ∑ i ∣ w i 2 ∣ loss_{L2}(w)=\sum_i|w^2_i| lossL2​(w)=i∑​∣wi2​∣L2正则化的特点：

L2正则化会使参数很接近零但不为零，因此该方法可通过 减小参数值的大小降低复杂度。

代码实现：

在tensorflow中存在已经实现好的L2正则化函数：tf.nn.l2_loss

tf.nn.l2_loss( t, name=None )

功能： 计算不含 sqrt 的张量的 L2 范数的一半，简单的可以理解成张量中的每一个元素进行平方，然后求和，最后乘以1/2。
参数：
· t: 张量,元素类型是half, bfloat16, float32, float64之一.
· name: 操作的别名(可选).
返回：与 t 相同类型的张量.
可自行实现为：

tf.nn.l2_loss(w) = sum(w ** 2) / 2

举例如下：

#输入：
	import tensorflow as tf
	tf.random.set_seed(100) #seed: 随机数种子
	REGULARIZER = 0.03	#正则化权重
	loss_regularization_l2 = []
	w1 = tf.Variable(tf.random.normal([2, 1]), dtype=tf.float32)
	print("w1=\n",w1)
	print("sum(w1 ** 2)/2=\n",sum(w1 ** 2) / 2 )
	print("tf.nn.l2_loss(w1)=\n",tf.nn.l2_loss(w1) )
	# tf.nn.l2_loss(w)=sum(w ** 2) / 2
	loss_regularization_l2.append(tf.nn.l2_loss(w1))
	# 求和
	loss_regularization_l2 = tf.reduce_sum(loss_regularization_l2)
	print("loss_regularization_l2=\n",loss_regularization_l2)
输出：
	w1=
	 <tf.Variable 'Variable:0' shape=(2, 1) dtype=float32, numpy= array([[ 0.16052227],[-1.6597689 ]], dtype=float32)>
	sum(w1 ** 2)/2=
	 tf.Tensor([1.3903002], shape=(1,), dtype=float32)
	tf.nn.l2_loss(w1)=
	 tf.Tensor(1.3903002, shape=(), dtype=float32)
	loss_regularization_l2=
	 tf.Tensor(1.3903002, shape=(), dtype=float32)

3.3 使用不同正则化函数的实例对比

为进一步理解正则化函数的作用，体现不同正则化函数对神经网络预测结果的影响，以下引入一个例子进行对比。

背景：已知一系列点的坐标x,y和其对应的标签0或1；
说明：部分坐标数据及点的分布情况如下图所示(标签1记为红色，标签2记为蓝色)：
部分坐标数据及点的分布情况

图2 部分坐标数据及点的分布情况
完整数据已上传到 dot.csv。

目标：绘制图中红色和蓝色点的分界线。

思路：
1.先用神经网络拟合出输入特征x、y与标签的函数关系；
2.生成网格覆盖这些点，将网格交点（也即是横纵坐标）作为输入送入训练好的神经网络；
3.神经网络为每个坐标输出一个预测值；
4.将神经网络输出为0.5的线标出颜色，即为0和1，也即是红点和蓝点的区分线。

3.3.1 不使用正则化函数时的代码实现

首先，不考虑正则化函数，实现以上思路，代码如下（使用两层神经网络）：

### 读入红蓝点，画出分割线，不包含正则化
# 导入所需模块
import tensorflow as tf
from matplotlib import pyplot as plt
import numpy as np
import pandas as pd
# 读入数据/标签 生成x_train y_train
df = pd.read_csv('dot.csv')
x_data = np.array(df[['x', 'y']])
y_data = np.array(df['p'])
x_train = x_data
y_train = y_data.reshape(-1, 1)
Y_c = [['red' if y else 'blue'] for y in y_train]
# 转换x的数据类型，否则后面矩阵相乘时会因数据类型问题报错
x_train = tf.cast(x_train, tf.float32)
y_train = tf.cast(y_train, tf.float32)
# from_tensor_slices函数切分传入的张量的第一个维度，生成相应的数据集，使输入特征和标签值一一对应
train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)
# 生成神经网络的参数，输入层为2个神经元，隐藏层为11个神经元，1层隐藏层，输出层为1个神经元
# 用tf.Variable()保证参数可训练
w1 = tf.Variable(tf.random.normal([2, 11]), dtype=tf.float32)
b1 = tf.Variable(tf.constant(0.01, shape=[11]))
w2 = tf.Variable(tf.random.normal([11, 1]), dtype=tf.float32)
b2 = tf.Variable(tf.constant(0.01, shape=[1]))

lr = 0.005  # 学习率
epoch = 5000 # 循环轮数

# 训练部分
for epoch in range(epoch):
    for step, (x_train, y_train) in enumerate(train_db):
        with tf.GradientTape() as tape:  # 记录梯度信息
            h1 = tf.matmul(x_train, w1) + b1  # 记录神经网络乘加运算
            h1 = tf.nn.relu(h1)
            y = tf.matmul(h1, w2) + b2
            # 采用均方误差损失函数mse = mean(sum(y-out)^2)
            loss = tf.reduce_mean(tf.square(y_train - y))
        # 计算loss对各个参数的梯度
        variables = [w1, b1, w2, b2]
        grads = tape.gradient(loss, variables)
        # 实现梯度更新
        # w1 = w1 - lr * w1_grad
        w1.assign_sub(lr * grads[0])
        b1.assign_sub(lr * grads[1])
        w2.assign_sub(lr * grads[2])
        b2.assign_sub(lr * grads[3])
    # 每200个epoch，打印loss信息
    if epoch % 20 == 0:
        print('epoch:', epoch, 'loss:', float(loss))

# 预测部分
print("*******predict*******")
# xx在-3到3之间以步长为0.01，yy在-3到3之间以步长0.01,生成间隔数值点
xx, yy = np.mgrid[-3:3:.1, -3:3:.1]
# 将xx, yy拉直，并合并配对为二维张量，生成二维坐标点
grid = np.c_[xx.ravel(), yy.ravel()]
grid = tf.cast(grid, tf.float32)
# 将网格坐标点喂入神经网络，进行预测，probs为输出
probs = []
for x_predict in grid:
    # 使用训练好的参数进行预测
    h1 = tf.matmul([x_predict], w1) + b1
    h1 = tf.nn.relu(h1)
    y = tf.matmul(h1, w2) + b2  # y为预测结果
    probs.append(y)
# 取第0列给x1，取第1列给x2
x1 = x_data[:, 0]
x2 = x_data[:, 1]
# probs的shape调整成xx的样子
probs = np.array(probs).reshape(xx.shape)
plt.scatter(x1, x2, color=np.squeeze(Y_c))
# 把坐标xx yy和对应的值probs放入contour函数，给probs值为0.5的所有点上色  plt.show()后 显示的是红蓝点的分界线
plt.contour(xx, yy, probs, levels=[.5])
plt.show()

程序迭代5000轮后绘制的图像如图3 所示：
不使用正则化函数时神经网络预测的红蓝点分界线

图3 不使用正则化函数时神经网络预测的红蓝点分界线

分析：从绘制的结果来看，黑色曲线大致分隔了红蓝色点，完成了程序要求。但曲线轮廓不够平滑，存在过拟合现象。

3.3.2 使用L1正则化函数时的代码实现

在以上代码的基础上，加入L1正则化函数，全部代码如下：

### 读入红蓝点，画出分割线，包含L1正则化
# 导入所需模块
import tensorflow as tf
from matplotlib import pyplot as plt
import numpy as np
import pandas as pd
# 读入数据/标签 生成x_train y_train
df = pd.read_csv('dot.csv')
x_data = np.array(df[['x', 'y']])
y_data = np.array(df['p'])
x_train = x_data
y_train = y_data.reshape(-1, 1)
Y_c = [['red' if y else 'blue'] for y in y_train]
# 转换x的数据类型，否则后面矩阵相乘时会因数据类型问题报错
x_train = tf.cast(x_train, tf.float32)
y_train = tf.cast(y_train, tf.float32)
# from_tensor_slices函数切分传入的张量的第一个维度，生成相应的数据集，使输入特征和标签值一一对应
train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)
# 生成神经网络的参数，输入层为2个神经元，隐藏层为11个神经元，1层隐藏层，输出层为1个神经元
# 用tf.Variable()保证参数可训练
w1 = tf.Variable(tf.random.normal([2, 11]), dtype=tf.float32)
b1 = tf.Variable(tf.constant(0.01, shape=[11]))
w2 = tf.Variable(tf.random.normal([11, 1]), dtype=tf.float32)
b2 = tf.Variable(tf.constant(0.01, shape=[1]))

lr = 0.005  # 学习率
epoch = 5000 # 循环轮数
REGULARIZER = 0.03 # 正则化权重

# 训练部分
for epoch in range(epoch):
    for step, (x_train, y_train) in enumerate(train_db):
        with tf.GradientTape() as tape:  # 记录梯度信息
            h1 = tf.matmul(x_train, w1) + b1  # 记录神经网络乘加运算
            h1 = tf.nn.relu(h1)
            y = tf.matmul(h1, w2) + b2
            # 采用均方误差损失函数mse = mean(sum(y-out)^2)
            loss_mse = tf.reduce_mean(tf.square(y_train - y))
            # 添加l1正则化
            loss_regularization_l1 = []
            loss_regularization_l1.append(tf.reduce_sum(tf.abs(w1)))
            loss_regularization_l1.append(tf.reduce_sum(tf.abs(w2)))
            # 求和
            loss_regularization_l1 = tf.reduce_sum(loss_regularization_l1)
            loss = loss_mse + REGULARIZER * loss_regularization_l1
        # 计算loss对各个参数的梯度
        variables = [w1, b1, w2, b2]
        grads = tape.gradient(loss, variables)
        # 实现梯度更新
        # w1 = w1 - lr * w1_grad
        w1.assign_sub(lr * grads[0])
        b1.assign_sub(lr * grads[1])
        w2.assign_sub(lr * grads[2])
        b2.assign_sub(lr * grads[3])
    # 每200个epoch，打印loss信息
    if epoch % 20 == 0:
        print('epoch:', epoch, 'loss:', float(loss))

# 预测部分
print("*******predict*******")
# xx在-3到3之间以步长为0.01，yy在-3到3之间以步长0.01,生成间隔数值点
xx, yy = np.mgrid[-3:3:.1, -3:3:.1]
# 将xx, yy拉直，并合并配对为二维张量，生成二维坐标点
grid = np.c_[xx.ravel(), yy.ravel()]
grid = tf.cast(grid, tf.float32)
# 将网格坐标点喂入神经网络，进行预测，probs为输出
probs = []
for x_predict in grid:
    # 使用训练好的参数进行预测
    h1 = tf.matmul([x_predict], w1) + b1
    h1 = tf.nn.relu(h1)
    y = tf.matmul(h1, w2) + b2  # y为预测结果
    probs.append(y)
# 取第0列给x1，取第1列给x2
x1 = x_data[:, 0]
x2 = x_data[:, 1]
# probs的shape调整成xx的样子
probs = np.array(probs).reshape(xx.shape)
plt.scatter(x1, x2, color=np.squeeze(Y_c))
# 把坐标xx yy和对应的值probs放入contour函数，给probs值为0.5的所有点上色  plt.show()后 显示的是红蓝点的分界线
plt.contour(xx, yy, probs, levels=[.5])
plt.show()

程序迭代5000轮后绘制的图像如图4 所示：
使用L1正则化函数时神经网络预测的红蓝点分界线

图4 使用L1正则化函数时神经网络预测的红蓝点分界线

分析：使用L1正则化函数后，分隔红蓝色点的黑色曲线比未使用正则化函数时轮廓更平滑，有效缓解了过拟合现象。

3.3.3 使用L2正则化函数时的代码实现

在以上代码的基础上，加入L2正则化函数，全部代码如下：

### 读入红蓝点，画出分割线，包含L2正则化
# 导入所需模块
import tensorflow as tf
from matplotlib import pyplot as plt
import numpy as np
import pandas as pd
# 读入数据/标签 生成x_train y_train
df = pd.read_csv('dot.csv')
x_data = np.array(df[['x', 'y']])
y_data = np.array(df['p'])
x_train = x_data
y_train = y_data.reshape(-1, 1)
Y_c = [['red' if y else 'blue'] for y in y_train]
# 转换x的数据类型，否则后面矩阵相乘时会因数据类型问题报错
x_train = tf.cast(x_train, tf.float32)
y_train = tf.cast(y_train, tf.float32)
# from_tensor_slices函数切分传入的张量的第一个维度，生成相应的数据集，使输入特征和标签值一一对应
train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)
# 生成神经网络的参数，输入层为2个神经元，隐藏层为11个神经元，1层隐藏层，输出层为1个神经元
# 用tf.Variable()保证参数可训练
w1 = tf.Variable(tf.random.normal([2, 11]), dtype=tf.float32)
b1 = tf.Variable(tf.constant(0.01, shape=[11]))
w2 = tf.Variable(tf.random.normal([11, 1]), dtype=tf.float32)
b2 = tf.Variable(tf.constant(0.01, shape=[1]))

lr = 0.005  # 学习率
epoch = 5000 # 循环轮数
REGULARIZER = 0.03 # 正则化权重

# 训练部分
for epoch in range(epoch):
    for step, (x_train, y_train) in enumerate(train_db):
        with tf.GradientTape() as tape:  # 记录梯度信息
            h1 = tf.matmul(x_train, w1) + b1  # 记录神经网络乘加运算
            h1 = tf.nn.relu(h1)
            y = tf.matmul(h1, w2) + b2
            # 采用均方误差损失函数mse = mean(sum(y-out)^2)
            loss_mse = tf.reduce_mean(tf.square(y_train - y))
            # 添加l2正则化
            loss_regularization_l2 = []
            loss_regularization_l2.append(tf.nn.l2_loss(w1))
            loss_regularization_l2.append(tf.nn.l2_loss(w2))
            # 求和
            loss_regularization_l2 = tf.reduce_sum(loss_regularization_l2)
            loss = loss_mse + REGULARIZER * loss_regularization_l2
        # 计算loss对各个参数的梯度
        variables = [w1, b1, w2, b2]
        grads = tape.gradient(loss, variables)
        # 实现梯度更新
        # w1 = w1 - lr * w1_grad
        w1.assign_sub(lr * grads[0])
        b1.assign_sub(lr * grads[1])
        w2.assign_sub(lr * grads[2])
        b2.assign_sub(lr * grads[3])
    # 每200个epoch，打印loss信息
    if epoch % 20 == 0:
        print('epoch:', epoch, 'loss:', float(loss))

# 预测部分
print("*******predict*******")
# xx在-3到3之间以步长为0.01，yy在-3到3之间以步长0.01,生成间隔数值点
xx, yy = np.mgrid[-3:3:.1, -3:3:.1]
# 将xx, yy拉直，并合并配对为二维张量，生成二维坐标点
grid = np.c_[xx.ravel(), yy.ravel()]
grid = tf.cast(grid, tf.float32)
# 将网格坐标点喂入神经网络，进行预测，probs为输出
probs = []
for x_predict in grid:
    # 使用训练好的参数进行预测
    h1 = tf.matmul([x_predict], w1) + b1
    h1 = tf.nn.relu(h1)
    y = tf.matmul(h1, w2) + b2  # y为预测结果
    probs.append(y)
# 取第0列给x1，取第1列给x2
x1 = x_data[:, 0]
x2 = x_data[:, 1]
# probs的shape调整成xx的样子
probs = np.array(probs).reshape(xx.shape)
plt.scatter(x1, x2, color=np.squeeze(Y_c))
# 把坐标xx yy和对应的值probs放入contour函数，给probs值为0.5的所有点上色  plt.show()后 显示的是红蓝点的分界线
plt.contour(xx, yy, probs, levels=[.5])
plt.show()

程序迭代5000轮后绘制的图像如图5所示：
请添加图片描述

图5 使用L2正则化函数时神经网络预测的红蓝点分界线

分析：使用L2正则化函数后，分隔红蓝色点的黑色曲线同样比未使用正则化函数时轮廓更平滑，有效缓解了过拟合现象。

传送门

上一节讨论了神经网络复杂度、学习率策略、激活函数、损失函数等神经网络优化过程中需要的部分概念。

人工智能实践：Tensorflow2.0笔记 北京大学MOOC（2-1）

下一讲将介绍神经网络参数优化器的有关概念，并介绍五种常用的神经网络参数优化器。

人工智能实践：Tensorflow2.0笔记 北京大学MOOC（2-3）<未完工待续。。。>

北京大学-曹建-人工智能实践TensorFlow课件和代码）
10-16
北京大学-曹建-人工智能实践TensorFlow课件和代码），代码测试通过
北京大学Tensorflow2.0学习笔记 -- 神经网络优化篇
weixin_44944722的博客
06-10 390
本篇博客是重点讲解神经网络的优化方法，首先是引入神经网络的一些专有名词，随后从激活函数，损失函数，以及优化器三个维度介绍优化模型的基本方法
人工智能实践：Tensorflow笔记
01-25
1、资源内容：人工智能实践：Tensorflow笔记 2、适用人群：计算机，电子信息工程、数学等专业的学习者，作为人工智能实战项目，课程设计，毕业设计“参考资料”参考学习使用。 3、解压说明：本资源需要电脑端使用WinRAR、7zip等解压工具进行解压，没有解压工具的自行百度下载即可。
北京大学 人工智能实践：Tensorflow笔记——曹健（writed by Enigmalgia）
Enigmalgia
12-19 7587
可以看下我转载的一篇文章机器学习入门概括 关于TensorFlow的安装Ubuntu18.04下安装anaconda和pycharm搭建TensorFlow 贴一下TensorFlow的官方中文版教程 TensorFlow的中文API文档 曹健老师的GitHub源码 持续更新，在和同学交流之后被推荐了北京大学曹健老师的这门实践课，学习TensorFlow的实践。先致谢一下曹健老师！...
人工智能实践：Tensorflow2.0笔记 北京大学MOOC（2-1）
qq_44001283的博客
08-20 1150
系列内容整理自中国大学MOOC “北京大学-人工智能实践:Tensorflow笔记” 课程。本讲目标：学会神经网络优化过程，使用正则化减少过拟合，使用优化器更新网络参数。本节内容：本节将在上一讲的基础上进一步讨论神经网络复杂度、学习率策略、激活函数、损失函数等概念。
学习tensorflow2 之1 北京大学 曹健笔记
zjcnzcl的博客
02-12 567
通道顺序与pytorch不一致；
人工智能实践：tensorflow笔记
RozChan的博客
03-21 263
https://www.icourse163.org/course/PKU-1002536002 人工智能实践：Tensorflow笔记 曹健
北京大学人工智能实践-TensorFlow2.0 曹健.zip
03-18
人工智能（Artificial Intelligence，简称AI）是一种前沿的计算机科学技术，其核心目标是通过模拟、延伸和拓展人类智能来构建智能机器与系统。它融合了计算机科学、数学、统计学、心理学、神经科学等多个学科的知识...
Tenforflow模型断点续代码 - MOOC网北京大学Tensorflow课程《人工智能实践：Tensorflow笔记》
最新发布
09-07
Tenforflow模型断点续代码 - MOOC网北京大学Tensorflow课程《人工智能实践：Tensorflow笔记》
深度学习（基于Tensorflow2.0）学习笔记——Day2
01-20
本篇学习笔记主要关注如何在Tensorflow2.0环境下开始深度学习的学习和实践。 【深度学习基础知识回顾】 在开始实战前，对深度学习的基础知识进行回顾是必要的。这包括神经网络的基本概念、反向传播算法、损失函数...
人工智能实践 Tensorflow笔记 北京大学.pdf
08-24
人工智能实践 Tensorflow笔记 北京大学,讲解的很好，资源也丰富。在慕课网上能搜索到视频，不愧是北京大学，很棒！
北大tensorflow课程笔记
10-25
Tensorflow 笔记：第一讲 概 述 一、 基本概念 1、什么是人工智能 人工智能的概念：机器模拟人的意识和思维 重要人物：艾伦·麦席森·图灵（Alan Mathison Turing） 人物简介：1912 年 6 月 23 日－1954 年 6 月 7 日，英国数学家、逻辑学家，被称 为计算机科学之父，人工智能之父。
tensorflow深度学习学习笔记pdf+代码（全）北京大学视频课程
11-01
tensorflow深度学习学习笔记pdf+代码（全）北京大学视频课程
北京大学精品慕课《TensorFlow2.0笔记》，已上传课程源码和数据集，笔记。
09-06
北京大学精品慕课《TensorFlow2.0笔记》，已上传课程源码和数据集，笔记。 MOOC课程官网：https://www.icourse163.org/course/PKU-1002536002?from=searchPage
人工智能实践：Tensorflow2.0笔记 北京大学MOOC（1-1）
qq_44001283的博客
08-10 848
系列内容整理自中国大学MOOC “北京大学-人工智能实践:Tensorflow笔记” 课程。 本讲目标：理解神经网络计算过程，使用基于TF2原生代码搭建第一个神经网络训练模型 本节内容：介绍神经网络相关的基本概念，剖析神经网络实际计算过程。.........
TensorFlow2.0学习笔记（1）
qq_62434464的博客
09-06 260
纯小白自学防遗忘自用笔记！可直接绕路
TensorFlow2.0笔记（北京大学）不断更新
Alan_King79的博客
01-24 2004
TensorFlow 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录TensorFlow前言一、人工智能三学派二、基于连接主义的神经网络设计过程一、第一个TensorFlow程序二、Tensor张量总结 前言 TensorFlow 是一个采用数据流图（Data Flow Graphs），用于高性能数值计算的开源软件库。 Tensor(张量) 即多
深度学习理论向应用的过渡课程【北京大学_TensorFlow2.0笔记】学习笔记（八）——自制数据集、数据增强、断点续训、参数提取、acc&loss可视化、应用程序实现手写识别
m0_58586235的博客
03-19 872
自制数据集、数据增强、断点续训、参数提取、acc&loss可视化、应用程序实现手写识别
深度学习理论向应用的过渡课程【北京大学_TensorFlow2.0笔记】学习笔记（五）——搭建神经网络的结构和可选项·强推本节
m0_58586235的博客
03-18 412
神经网络搭建结构及可选参数
【mooc】人工智能实践:tensorflow笔记-北京大学代码
08-29
MOOC（大规模开放式在线课程）是一种通过网络平台开设的在线教育课程，可以为广大学习者提供方便灵活的学习机会。人工智能实践：TensorFlow笔记，是由北京大学推出的一门针对人工智能领域的实践课程，旨在帮助学习者掌握使用TensorFlow框架进行深度学习的基本方法和技巧。 该课程的代码提供了一系列丰富的示例和实践项目，通过这些代码我们可以了解和掌握TensorFlow的使用方法。其中包括数据处理、模型构建、模型训练与评估等关键步骤。通过学习和实践，我们可以学会如何搭建神经网络模型，进行图像分类、文本生成等任务。 在这门课程中，北京大学的代码示例主要围绕深度学习的常用库TensorFlow展开，通过给出具体的代码实现，解释了每部分的原理和操作方法，帮助学习者理解基本概念和技术，熟悉TensorFlow框架和编程语言的使用。 此外，这门课程还涵盖了一些实践项目，例如基于TensorFlow的手写数字识别、图像分类与预测、文本生成等。通过完成这些实践项目，我们可以加深对TensorFlow的理解并提高实践能力。 总之，人工智能实践： TensorFlow笔记 - 北京大学代码是一门结合了理论与实践的在线课程，通过教授深度学习的基本概念和TensorFlow的应用方法，帮助学习者掌握人工智能领域的基本技能。通过这门课程，我们可以学习到TensorFlow的使用方法，掌握一定的实践能力，并将这些知识应用于实际项目当中。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值